Akıllı Kutu — AI Tabanlı Çöp Sınıflandırma Sistemi

Bu proje, kapalı ve siyah hazneli bir geri dönüşüm kutusunda atıkları otomatik sınıflandıran bir derin öğrenme modeli geliştirmek için hazırlanmıştır. Hedef sınıflar: plastik, cam, kağıt, metal, karton ve çöp.

Öne Çıkanlar

• Siyah hazne şartını sağlamak için arka plan temizleme (rembg) ve siyah zemin simülasyonu
• Sınıf başına maksimum 1500 görsel ile dengeli master_dataset
• Veri artırma (rotation/shift/zoom) ve fill_mode='constant' ile siyah zemin korunumu
• MobileNetV2 tabanlı transfer öğrenme + fine-tuning
• Eğitim sonunda ~%93 doğruluk bandı

Canlı Demo

Ekip arkadaşlarımla hazırladığım proje ve model tanıtım videosu: https://youtu.be/TyzawMWt5Sc?si=ukQ2pQva0srhl850

Streamlit Community Cloud üzerinde canlı çalışan uygulama: https://final-project-recycle-classification-p7qvxat9uoyxzkzjazn5ib.streamlit.app/

Veri Seti

Veriler üç kaynaktan toplanmıştır:

1. Google Drive üzerinden sınıfın derlediği yerel veri seti
2. Kaggle üzerindeki birden fazla çöp sınıflandırma veri seti
3. Ek Kaggle veri seti desteği (Mehmet Yıldız)

dataset/ klasörü aşağıdaki sınıf yapısını örnekler:

dataset/
  cardboard/
  glass/
  metal/
  paper/
  plastic/
  trash/

Model Mimarisi

• Girdi boyutu: 224x224x3
• Omurga: MobileNetV2 (ImageNet ağırlıkları)
• Başlık: GlobalAveragePooling2D + Dropout(0.5) + Dense(6, softmax)
• İki aşamalı eğitim:
  1. Dondurulmuş omurga ile ilk eğitim
  2. Son ~55 katmanın açılmasıyla fine-tuning (öğrenme hızı 1e-5)

Eğitim sonrası model: akilli_kutu_model.keras

Sonuçlar

Notebook çıktılarında doğruluk bandı %93+ seviyesine ulaşmaktadır. Karmaşıklık matrisi ve sınıflandırma raporu aynı notebook içinde üretilmiştir.

Kurulum (Colab önerilir)

Notebook, Google Colab üzerinde çalışacak şekilde tasarlanmıştır.

pip install -q "numpy<2" "scipy<1.13" rembg kagglehub onnxruntime

Kullanım

1. final_project_recyle.ipynb dosyasını Colab’da açın.
2. Drive veri seti yolu (drive_dataset_path) ve Kaggle indirme adımlarını çalıştırın.
3. Hücreleri sırayla çalıştırarak master dataset oluşturun, eğitimi başlatın ve modeli dışa aktarın.

Streamlit Deployment (Community Cloud)

Bu proje Streamlit Community Cloud üzerinde doğrudan çalıştırılabilir. GitHub Pages statik olduğu için Streamlit uygulamasını barındıramaz.

1. akilli_kutu_model.keras dosyasını model/ klasörüne (veya repo köküne) koyun.
2. Streamlit Cloud’da yeni uygulama oluşturup ana dosya olarak app.py seçin.
3. requirements.txt ve runtime.txt dosyaları üzerinden bağımlılıklar ve Python sürümü otomatik kurulacaktır (TensorFlow 2.16.x ve Python 3.11 kullanılmaktadır).

Proje Yapısı

.
├─ app.py
├─ classifier.py
├─ dataset/
├─ model/
│  └─ akilli_kutu_model.keras
├─ final_project_recyle.ipynb
├─ requirements.txt
├─ runtime.txt
├─ README.md
├─ LICENSE
└─ CONTRIBUTING.md

Katkı ve Roller

• Veri seti derleme: Sınıf Katkısı (Google Drive)
• Ek Kaggle veri seti desteği: Mehmet Yıldız
• Model geliştirme ve eğitim: Efe Can Kara
• Streamlit arayüzü ve deployment: Yiğit Altundağ

Lisans

MIT lisansı altında yayımlanmıştır. Ayrıntılar için LICENSE dosyasına bakın.